自1956年达特茅斯会议正式提出“人工智能”概念以来，学界对智能实现方式的探索始终并行着多条技术路径，其中符号主义、连接主义、行为主义是公认的三大主流研究途径，三者从不同的底层逻辑出发，分别在不同阶段推动了AI领域的突破，也共同为通用人工智能的探索提供了技术支撑。

第一个核心途径是符号主义，也被称为逻辑主义、专家系统路径，其底层认知假设是“智能的本质是符号运算”。这一路径最早源于数理逻辑研究，1955年纽厄尔和西蒙开发的“逻辑理论家”程序成功证明了《数学原理》中的数十条定理，奠定了符号主义的早期发展基础。符号主义的核心思路是将人类的知识和认知规则抽象为可被计算机处理的符号系统，通过预设的逻辑推理规则对符号进行运算，以此模拟人类的思考、决策过程。其代表性成果包括20世纪70-80年代广泛落地的各类专家系统、1997年击败国际象棋冠军卡斯帕罗夫的“深蓝”等。符号主义的优势是推理过程可解释、结果确定性高，非常适合规则明确的封闭场景；但缺陷也十分明显：难以处理模糊的、未被明确定义的常识性问题，人工梳理知识规则的成本极高，无法适配开放复杂的现实场景。

第二个主流途径是连接主义，也被称为仿生学派，核心假设是“智能来自于神经元的连接与协同”。这一路径的思路源于对人类大脑生理结构的模拟：人脑的智能活动由数十亿神经元通过突触连接形成的网络实现，因此可以通过构建人工神经网络，用数据训练调整神经元之间的连接权重，让网络自动拟合数据中的模式，进而实现智能能力。连接主义的发展历经数次起伏：20世纪50年代感知机的提出拉开了该路径的序幕，80年代反向传播算法的提出推动了神经网络的第一次普及，2012年AlexNet在图像识别任务上的大幅突破正式开启了深度学习时代，如今的大语言模型、多模态AI等热门方向都属于连接主义的研究成果。这一路径的优势是无需人工定义规则，能够高效处理图像、语音、文本等非结构化数据，泛化适配能力远高于传统符号主义系统；但它也存在可解释性差（“黑箱”问题）、训练依赖大量数据与算力、容易产生幻觉错误等短板。

第三个研究途径是行为主义，也被称为进化主义、控制论路径，其核心假设是“智能是生物与环境交互的适应性行为，无需复杂的符号表征或抽象推理”。这一路径脱胎于维纳的控制论思想，认为智能的核心是“感知-行动”的反馈闭环：智能体通过传感器感知环境和自身状态，根据反馈实时调整行为，在不断试错中提升对环境的适应能力，最终表现出智能特性。1986年机器人学家布鲁克斯研发的六足行走机器人没有内置任何符号推理系统，仅依靠传感器和简单的动作反馈规则，就实现了远超当时传统机器人的复杂地形行走能力，成为行为主义的标志性成果。如今波士顿动力的人形机器人、进化算法、部分强化学习应用都延续了这一路径的思路。行为主义的优势是动态适应性强，容错率高，非常适合物理世界的机器人、自动驾驶控制等需要和真实环境交互的场景；但其短板在于难以实现高阶认知功能，无法支持复杂的逻辑推理、创意生成等任务。

如今，三大研究途径早已从各自为战转向交叉融合：融合符号主义和连接主义的神经符号AI，试图结合符号系统的可解释性和神经网络的模式识别能力，解决大模型的幻觉与逻辑缺陷问题；融合连接主义和行为主义的具身智能，将大模型的高阶认知能力作为智能体的“大脑”，搭配行为主义的交互反馈机制，探索能在真实世界自主行动的通用智能体。可以预见，未来通用人工智能的实现，必然是三大路径优势互补、深度融合的结果。

本文由AI大模型（Doubao-Seed-1.6）结合行业知识与创新视角深度思考后创作。